本发明属于数据挖掘和大数据领域，特别涉及一种基于信任关系特征学习的社会化推荐 方法。
背景技术：
随着互联网的不断发展，网络信息变得越来越多，也越来越容易获得。但是如何从海 量的数据中获得所需的有效信息，对于普通用户来说仍然是一个巨大的困扰，这称被为信息 过载问题。为了解决这一问题，推荐系统通过对用户和商品的各种信息建模，进而为每个用 户推荐其所需的信息内容。近年来，推荐系统被广泛应用于互联网服务中，包括淘宝、京东、 亚马逊等。
由于用户的信息通常都非常稀少，这对推荐系统的建模任务构成了巨大的挑战，这也 被称为数据稀疏问题。为了解决这个问题，许多学者提出了各种有效的方法。其中，利用信 任关系对每个用户建模成为重要的解决方案之一。然而，由于信任关系也同样是稀疏的，所 以目前的方法大多是采用线性模型对信任关系进行建模。这就难以提取信任关系中隐含的高 阶信息。为此，本发明提出稀疏自编码网络提取信任特征，并应用于社会化推荐系统中。
技术实现要素：
本发明针对上述问题，为了提出信任关系中隐含的高阶信息，提出一种新的信任关系 处理方法，并基于此提出一种新的社会化推荐方法。
本发明所采用的技术方案是：
一种基于信任关系特征学习的社会化推荐方法，其特征在于，基于一个稀疏自编码模型， 所述模型结构由一个深层自编码网络和面向稀疏数据的损失函数构成；
包括以下步骤：
步骤1：利用稀疏自编码模型(SSDAE)计算信任关系特征；
步骤2：将计算得到的信任关系特征与矩阵分解方法结合，计算得到用户特征和商品特 征；
步骤3：利用用户和产品的特征向量计算推荐结果。
在上述的一种基于信任关系特征学习的社会化推荐方法，步骤1的具体实现包括以下子 步骤：
步骤1.1：令表示N个用户之间的信任关系矩阵，如果用户i信任用户j，则 对应的元素Xi,j值为1，否则为0.
步骤1.2：构建稀疏自编码网络，将输入数据X经过L层神经网络得到重建矩阵第l层的输出Xl通过下面方式映射：
其中，和是l层对应的权重和偏置，其中，Kl是对应l层的维度， 通过实验设定最优值；h(x)是一个非线性激活函数，这里采用逻辑斯蒂激活函数 h(x)＝1/(1+e-x)；
步骤1.3：建立信任关系重建误差函数：
其中，xu,v和表示用户u和v之间的信任关系及其对应的预测值；集合表示用 户u的信任对象集合，表示从用户u的不信任对象集合中采样个对象的子集合， 其中，表示用户u信任对象集合的数量；λ是用户控制网络权重复杂度的参数
步骤1.4：循环迭代更新网络权重：
步骤1.5：如果迭代次数小于100，则跳转到步骤2.4，否则跳转到步骤2.6.
步骤1.6：将稀疏自编码的中间输出状态XL/2作为用户的信任关系特征向量用于推荐算 法的计算。
在上述的一种基于信任关系特征学习的社会化推荐方法，步骤2的实现包括以下子步骤：
步骤2.1：结合信任关系特征向量预测用户u对商品i的评分：
步骤2.2：根据预测的评分，建立社会化推荐方法的损失函数作为优化目标：
其中，β是用于调整信任关系特征学习权重的超参，根据实验结果调整；
步骤2.3：迭代更新，训练参数；对于每对评分数据(u，i)，计算各向量的梯度，并进 行迭代更新：
其中，t表示迭代次数，α表示学习率；每次迭代将t次的结果减去α乘梯度，从而得 到新的参数值；
步骤2.4：若迭代次数t不到100，则跳转到步骤3.3，否则跳转到步骤3.5；
步骤2.5：获得计算结果P、Q。
在上述的一种基于信任关系特征学习的社会化推荐方法，步骤3的具体实现包括以下子 步骤：
步骤3.1：对于每个用户u和待预测产品i，计算预测评分：
其中，表示用户u对项目i的预测评分；
步骤3.2：根据预测评分，评估推荐效果；
其中，MAE和RMSE分别表示平均绝对误差和均方根误差；，I表示所有测试数据 的集合，|I|表示测试集合的数据量。
其中，MAE和RMSE分别表示平均绝对误差和均方根误差；，I表示所有测试数据的集合， |I|表示测试集合的数据量。
本发明可以有效的从稀疏的社会关系网络中学习到高阶有效的信任关系特征。其次， 提出一种基于信任关系特征的社会化推荐算法，该算法能有效的将信任特征融合到推荐算法 当中，从而有效的提高推荐算法精度。
附图说明
图1是本发明实施例的原理模型图。
图2是本发明的系统结构图。
图3是本发明在公开数据集Epinions和Ciao上的推荐精度及与其他算法的对比。
具体实施方式：
为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步 的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本 发明。
请见图2，本发明提供的一种基于信任关系特征学习的社会化推荐方法，包括以下步骤：
1.基于稀疏自编码网络学习信任关系特征：
a)令表示N个用户之间的信任关系矩阵，如果用户i信任用户j，则对应的 元素Xi,j值为1，否则为0.
b)构建稀疏自编码网络，将输入数据X经过L层神经网络得到重建矩阵第l层 的输出Xl通过下面方式映射：
其中，和是l层对应的权重和偏置(Kl是对应l层的维度，通过 实验设定最优值)；h(x)是一个非线性激活函数，这里采用逻辑斯蒂激活函数
h(x)＝1/(1+e-x)。
步骤c)：建立信任关系重建误差函数：
其中，xu,v和表示用户u和v之间的信任关系及其对应的预测值。集合表示用 户u的信任对象集合，表示从用户u的不信任对象集合中采样个对象的子集合 (表示用户u信任对象集合的数量)。λ是用户控制网络权重复杂度的参数
步骤d)：循环迭代更新网络权重：
步骤e)：如果迭代次数小于100，则跳转到步骤d，否则跳转到步骤f.
步骤f)：将稀疏自编码的中间输出状态XL/2作为用户的信任关系特征向量用于推荐算 法的计算。
2.将计算得到的信任关系特征向量用于社会化推荐算法：
a)：结合信任关系特征向量预测用户u对商品i的评分：
b)：根据预测的评分，建立社会化推荐方法的损失函数作为优化目标：
其中，β是用于调整信任关系特征学习权重的超参，根据实验结果调整。
步骤c)：迭代更新，训练参数。对于每对评分数据(u，i)，计算各向量的梯度，并 进行迭代更新：
其中，t表示迭代次数，α表示学习率；每次迭代将t次的结果减去α乘梯度，从而得 到新的参数值；
步骤d)：如果迭代次数t不到100，则跳转到步骤c，否则跳转到步骤e；
步骤e)：获得计算结果P,Q。
4.利用用户和产品的特征向量计算推荐结果
a)：对于每个用户u和待预测产品i，计算预测评分：
其中，表示用户u对项目i的预测评分。
b)：根据预测评分，评估推荐效果；
其中，MAE和RMSE分别表示平均绝对误差和均方根误差。，I表示所有测试数据的集合，|I|表 示测试集合的数据量。